多体系统内部多部件动力学响应的反演重构方法

本发明涉及一种动力学分析技术，特别是一种多体系统内部多部件动力学响应的反演重构方法。

背景技术：

1、复杂多体系统，如航天器及车辆动力总成等，往往面临极端的过载冲击与复杂的力学环境。在动力学载荷传递过程中，载荷经由连接界面、装配路径和缓冲介质在部件间逐级传递，会形成显著不同的部件级动力学响应。精确获取系统内部关键部件的真实动力学响应，是开展结构安全评估、抗冲击设计和传递路径分析的重要前提。现有动力学分析技术在获取复杂多体系统内部部件级过载信号时仍面临严峻挑战。在试验条件下，受限于系统内部空间紧凑、封装封闭或测点布设受限，实测数据通常仅限于特定刚性基座或传感器安装位置的单点过载信号，难以直接测量内部功能部件的受力情况。在数值仿真方面，传统建模方法往往将复杂装配结构简化为均质实体，忽略了各部件的材料阻抗差异、装配间隙及缓冲介质作用，难以捕捉动力学传递过程中的高频瞬态振荡，导致仿真结果失真。

2、近年来，基于长短期记忆网络（lstm）或时域卷积网络（tcn）的数据驱动方法被尝试用于过载信号处理。但这些单一网络结构通常将多体系统视为“黑盒”映射，缺乏对多体系统多部件间物理拓扑关系及能量传递路径的显式建模，导致模型泛化能力不足。此外，强瞬态过载信号通常高度非平稳，耦合了低频的整体运动趋势和高频的局部结构振荡特征，传统黑盒模型难以实现这两类特征的有效解耦与精确重构，限制了反演精度。

技术实现思路

1、本发明的目的在于提供一种多体系统内部多部件动力学响应的反演重构方法，其包括以下步骤：

2、步骤s100，采集目标多体系统在承受动态冲击载荷作用下的单测点过载历程数据，并将单测点过载历程数据确定为待处理的基准过载信号；

3、步骤s200，采用具有可训练参数的sinc卷积滤波器对基准过载信号执行自适应频谱分割，剥离出代表刚体运动趋势的低频演化分量与代表结构冲击的离散高频振荡分量；

4、步骤s300，采用异构特征编码结构，并行提取低频演化分量中的长程时序趋势特征与高频振荡分量中的局部瞬态突变特征，并分别映射为低频时序token序列与高频时序token序列；

5、步骤s400，将低频与高频时序token序列映射至基于冲击瞬态响应构建的时变自适应图网络结构中，基于多体系统的结构静态装配拓扑与自适应计算的动态接触状态门控矩阵生成时变拓扑邻接矩阵，通过结合物理拓扑约束与动态接触门控的图卷积网络进行跨频带特征融合与空间物理传播，得到包含时变物理依存关系的全局图融合特征；

6、步骤s500，对全局图融合特征进行时序反卷积重构与残差细节校正，逆向推演并输出所述目标多体系统内部各个待测部件的过载响应时序。

7、进一步地，还包括构建训练数据集与模型训练，具体包括：

8、构建目标多体系统的精细化有限元模型，精细化有限元模型至少包含传感器安装位置对应的基准节点以及多个分布于内部待测部件的响应映射节点；

9、通过数值模拟获取多种工况下基准节点处的单点过载信号以及各响应映射节点处的过载响应信号，构建以单点过载信号为输入样本、以各响应映射节点处的过载响应信号为标签样本的多部件过载数据集；

10、利用所述多部件过载数据集，对用于执行步骤s200~s500的深度学习网络模型实施端到端参数优化训练。

11、进一步地，步骤s200中从基准过载信号剥离出的低频演化分量，高频振荡分量，其中，

x为基准过载信号，为滤波器核函数，为对应的低通滤波器，*表示一维卷积运算。

12、进一步地，步骤s300具体包括：

13、步骤s310，利用包含扩张卷积的时间卷积网络处理低频演化分量，提取长程演化特征并经线性投影得到低频编码表达；

14、步骤s320，利用一维卷积层处理高频振荡分量，捕获局部瞬态突变特征并经线性投影得到高频编码表达；

15、步骤s330，分别对低频编码表达与高频编码表达实施自适应平均池化，生成固定时序维度的低频时序token序列tlow与高频时序token序列thigh。

16、进一步地，步骤s310中低频编码表达通过下式获取：

17、，

18、，

19、其中，为包含多层扩张卷积的残差映射函数，为低频演化分量，和分别为卷积核权重和偏置，为线性投影权重，为时间卷积网络对进行处理得到的中间特征。

20、进一步地，步骤s320中高频编码表达通过下式获得：

21、，

22、，

23、其中，和分别为卷积核权重和偏置，为高频振荡分量，为经激活函数处理后得到。

24、进一步地，分别对和采用自适应平均池化，得到低频时序token序列tlow与高频时序token序列thigh：

25、，

26、。

27、进一步地，步骤s400具体包括：

28、步骤s410，将传感器安装位置对应的节点与多个待测部件对应的节点定义为图节点，并根据多体系统的结构静态装配拓扑与自适应计算的动态接触状态门控矩阵生成时变拓扑邻接矩阵a及对应的图拉普拉斯算子；

29、步骤s420，分别以低频时序token序列tlow与高频时序token序列thigh分别作为低频与高频图卷积通道的初始节点状态h(0)，采用两层残差结构的门控图卷积机制分别进行空间物理传播更新：

30、

31、其中，表示门控图卷积的节点状态更新方程，为非线性激活函数，a为根据部件物理连接关系预定义的拓扑邻接矩阵，为图拉普拉斯算子，g为可学习的门控系数矩阵，、为可学习的线性变换矩阵，表示逐元素乘积；

32、步骤s430，通过第一层图卷积输出第一中间节点特征h(1)；经由第二层图卷积并叠加初始输入特征进行残差跳连，计算得到最终更新后的节点特征h(2)，

33、，

34、，

35、其中，a为根据部件物理连接关系预定义的拓扑邻接矩阵；

36、步骤s440，分别以经过两层图卷积更新后的低频支路节点特征和高频支路节点特征作为融合输入，通过特征统计映射获得节点级融合权重向量，

37、；

38、其中，表示节点级全局平均池化操作，为特征拼接操作，为可学习的融合权重矩阵，为sigmoid激活函数；

39、步骤s450，对低频图节点特征矩阵与高频图节点特征矩阵执行逐元素的自适应加权互补融合得到融合特征，作为最终输出，

40、；

41、。

42、进一步地，步骤s410，将传感器安装位置对应的节点与多个待测部件对应的节点定义为图节点，基于冲击瞬态响应构建时变拓扑邻接矩阵a，

43、，

44、其中，为根据多体系统部件间物理装配关系构建的结构静态装配拓扑矩阵，为根据低频过载幅值与高频冲击突变自适应计算得到的动态接触状态门控矩阵，表示逐元素乘积，为低频时序token序列与高频时序token序列。

45、进一步地，步骤s500具体包括：

46、步骤s510，通过线性解码层将融合后的节点特征映射至时序隐空间，其数学表达式为：

47、，

48、其中，和分别为解码权重和偏置；

49、步骤s520，通过多层时序反卷积逐步恢复时间序列长度z(l+1)，

50、，

51、其中，与分别为第

l层反卷积的卷积核长度与步长，为激活函数；

52、步骤s530，设为反卷积层的最终输出，并引入残差细化层进行高频细节校正，其数学表达式为：

53、；

54、其中，为重建输出网络模块的最终输出，为可学习的轻量化线性映射函数，

55、，

56、其中，和为训练过程中学习得到的权重和偏置。

57、本发明与现有技术相比，具有以下优势：（1）本发明通过自适应sinc型分割模块与双带编码器，将整体运动低频趋势与局部界面冲击高频振荡有效分离并独立编码；本发明结合残差细化层进行特征修正，保障了时域重构的能量一致性，显著提升了各部件反演的决定系数；（2）本发明构建双频图卷积网络dfgcn模型，提升dfgcn模型对不同结构工况的适应能力；本发明在门控图传播过程中引入基于物理拓扑的约束，降低模型对单一经验特征的依赖，使模型在不同多体结构形式与动力学传递工况下仍能保持较稳定的反演精度，满足复杂装配系统抗冲击设计与跨场景响应重构需求；（3）利用有限元模型生成的数据集进行训练，仅需获取单点传感器信号即可反演内部多个关键部件的响应，有效解决了内部部件过载信号难以直接测量的问题，为结构健康监测和安全评估提供了可靠的数据支持。